Kecerdasan buatan: Semua orang menginginkannya, tetapi tidak semua orang siap

Bisnis bullish pada AI, tetapi dibutuhkan pemahaman yang berkembang dengan baik untuk memberikan manfaat bisnis yang terlihat.

Teknologi kecerdasan buatan telah mencapai tingkat adopsi yang mengesankan, dan dipandang sebagai pembeda kompetitif. Tetapi ada saatnya ketika teknologi menjadi begitu ada di mana-mana sehingga tidak lagi menjadi pembeda kompetitif -- pikirkan cloud. Ke depannya, organisasi yang berhasil dengan AI, kemudian, adalah organisasi yang menerapkan inovasi manusia dan akal sehat bisnis ke fondasi AI mereka. 

Demikianlah tantangan yang diidentifikasi dalam sebuah studi yang dirilis oleh RELX, yang menemukan penggunaan teknologi AI, setidaknya di Amerika Serikat, telah mencapai 81% perusahaan, naik 33 poin persentase dari 48% sejak survei RELX sebelumnya pada tahun 2018. Mereka juga optimis pada AI yang mengirimkan barang -- 93% melaporkan bahwa AI membuat bisnis mereka lebih kompetitif. Di mana-mana ini mungkin menjadi alasan 95% juga melaporkan bahwa menemukan keterampilan untuk membangun sistem AI mereka adalah sebuah tantangan. Selain itu, sistem ini berpotensi cacat: 75% khawatir bahwa sistem AI berpotensi menimbulkan risiko bias di tempat kerja, dan 65% mengakui sistem mereka bias.  

Jadi masih banyak pekerjaan yang harus dilakukan.  Itu tergantung pada orang-orang yang dapat membuat AI terjadi, dan membuatnya seadil dan seakurat mungkin. 

"Meskipun banyak penerapan AI dan pembelajaran mesin gagal, dalam banyak kasus, ini tidak terlalu menjadi masalah dengan teknologi aktual dan lebih banyak tentang lingkungan di sekitarnya," kata Harish Doddi, CEO Datatron. Beralih ke AI "membutuhkan keterampilan, sumber daya, dan sistem yang tepat." 

Dibutuhkan pemahaman yang berkembang dengan baik tentang AI dan ML untuk memberikan manfaat yang terlihat bagi bisnis. Meskipun AI dan ML telah ada selama bertahun-tahun, "kami masih hampir tidak menggaruk permukaan untuk mengungkap kemampuan mereka yang sebenarnya," kata Usman Shuja, manajer umum bangunan terhubung untuk Honeywell. "Konon, ada banyak pelajaran berharga yang bisa dipetik dari kesalahan langkah orang lain. Meskipun bisa dibilang benar bahwa AI dapat menambah nilai yang signifikan untuk hampir semua departemen di bisnis apa pun, salah satu kesalahan terbesar yang dapat dilakukan bisnis adalah menerapkan AI demi menerapkan AI, tanpa pemahaman yang jelas tentang nilai bisnis yang ingin mereka capai."

Selain itu, AI membutuhkan manajemen perubahan yang cerdas, lanjut Shuja. "Anda dapat menginstal solusi AI paling mutakhir yang tersedia, tetapi jika karyawan Anda tidak dapat atau tidak mau mengubah perilaku mereka untuk beradaptasi dengan cara baru dalam melakukan sesuatu, Anda tidak akan melihat nilainya."

Tantangan lain adalah bias, seperti yang diungkapkan oleh banyak eksekutif dalam survei RELEX. "Algoritme dapat dengan mudah menjadi bias berdasarkan orang-orang yang menulisnya dan data yang mereka berikan, dan bias dapat terjadi lebih banyak dengan ML karena dapat dibangun dalam kode dasar," kata Shuja. "Meskipun data dalam jumlah besar dapat memastikan akurasi, hampir tidak mungkin memiliki data yang cukup untuk meniru kasus penggunaan dunia nyata."

Misalnya, dia mengilustrasikan, "jika saya sedang mencari untuk merekrut atlet perguruan tinggi untuk tim lacrosse profesional saya, dan saya menemukan bahwa sebagian besar pemain yang saya dengar adalah Texas Longhorns, itu mungkin membuat saya menyimpulkan bahwa pemain lacrosse terbaik kuliah di University of Texas. Namun, ini bisa jadi hanya karena algoritma telah menerima terlalu banyak data dari satu universitas, sehingga menciptakan bias."

Cara data diatur dan siapa yang mengaturnya "secara tidak sengaja dapat menyelinap bias ke dalam algoritma," kata Shuja. "Perusahaan yang belum memikirkan implikasi ini perlu menempatkan ini di garis depan upaya teknologi AI dan ML mereka untuk membangun integritas ke dalam solusi mereka."

Masalah lain adalah bahwa model AI dan ML menjadi ketinggalan zaman terlalu cepat, seperti yang diketahui banyak perusahaan, dan terus mengetahuinya sebagai akibat dari Covid dan masalah rantai pasokan. "Memiliki dokumentasi yang baik yang menunjukkan siklus hidup model membantu, tetapi masih tidak cukup ketika model menjadi tidak dapat diandalkan," kata Doddi, "Tata kelola model AI membantu membawa akuntabilitas dan ketertelusuran ke model pembelajaran mesin dengan meminta praktisi mengajukan pertanyaan seperti 'Seperti apa versi sebelumnya?' dan 'Variabel input apa yang masuk ke model?''" Tata  
  
kelola adalah kuncinya. Selama pengembangan, Doddi menjelaskan, "Model ML terikat oleh asumsi, aturan, dan ekspektasi tertentu. Setelah diterapkan ke dalam produksi, hasilnya dapat berbeda secara signifikan dari hasil di lingkungan pengembangan. Di sinilah tata kelola sangat penting setelah model dioperasionalkan. Perlu  ada cara untuk melacak berbagai model dan versi."

Dalam beberapa kasus dengan AI, "lebih sedikit lebih banyak," kata Shuja. "AI cenderung paling sukses ketika dipasangkan dengan data yang matang dan diformat dengan baik. Ini sebagian besar dalam ranah data TI/perusahaan, seperti CRM, ERP, dan pemasaran. Namun, ketika kita pindah ke area di mana datanya kurang kohesif, seperti dengan data teknologi operasional, di sinilah mencapai kesuksesan AI menjadi sedikit lebih menantang. Ada kebutuhan luar biasa untuk AI yang dapat diskalakan dalam lingkungan industri, misalnya menggunakan AI untuk mengurangi konsumsi energi di gedung atau pabrik industri -- area yang sangat potensial untuk AI. Suatu hari nanti, seluruh bisnis -- dari lantai pabrik hingga ruang rapat -- akan terhubung; terus belajar dan meningkatkan dari data yang diproses. Ini akan menjadi tonggak penting berikutnya untuk AI di perusahaan."